人工智能领域长期困扰的”灾难性遗忘”难题，终于迎来历史性突破。谷歌研究团队在NeurIPS2025会议上震撼发布了Nested Learning（嵌套学习）这一受人类神经可塑性启发的全新机器学习范式。该技术首次实现了AI模型在持续学习新任务的过程中，几乎完全保留旧知识，遗忘率逼近零的惊人效果，标志着AI正从”一次性专家”向”终身学习者”的关键跨越。
传统神经网络在学习新技能时，往往通过参数更新覆盖原有知识，导致旧能力急剧退化，这种”灾难性遗忘”现象严重制约了AI在动态环境中的实用性。现有方法如冻结部分参数或施加正则化约束，仅是治标不治本的打补丁方案，无法模拟人脑中短期记忆灵活、长期记忆稳固的协同机制。
谷歌的Nested Learning革命性架构彻底重构了学习框架：不再将模型视为单一整体，而是设计成一组嵌套的优化子系统，形成多时间尺度的”记忆洋葱”。这种分层记忆机制包括三个核心层级：高频层负责快速响应即时任务，如对话中的临时上下文；中频层整合近期经验，确保知识连贯过渡；低频层锁定核心长期记忆，如基础语言规则或物理常识，几乎不受新数据干扰。通过统一优化机制，各层能够自主协调更新节奏，实现”自适应修改”——新知识被高效吸收，旧知识被严密保护，彻底避免了梯度冲突导致的记忆擦除。
实测效果令人惊叹：基于该范式的原型系统HOPE在多项基准测试中表现卓越。在Needle-In-A-Haystack长上下文检索任务中，准确率提升超过20%；在多任务持续学习场景下（如交替训练编程与写作），旧任务性能保持率高达98%，而传统方法仅70%；模型遗忘曲线呈现渐进式衰减，而非突发性崩溃，更接近人类自然学习行为。
Nested Learning的落地应用前景广阔，将彻底改变多个领域：大模型（如Gemini）无需反复重训，可在线持续吸收新知识，实现”终身进化”；医疗AI能够在新增病例中不断学习，同时牢牢掌握数十年积累的医学知识库；金融系统既能适应短期市场波动，又能保持对经济周期的长期判断；具身机器人可以在复杂环境中习得新动作，而不会忘记如何安全行走。
AIbase认为，Nested Learning不仅是算法层面的重大革新，更是对AI本质的深刻重新定义——当机器具备类似人类的持续成长能力，智能将不再是静态的”产品”，而成为动态演化的”生命体”。这场由谷歌掀起的”记忆革命”，或许正是通用人工智能通往现实的关键一步。
